#知识图谱 (13 posts)

开篇定位章：为什么需要 KG、KG 是什么、怎么造、怎么用——信号/数据/信息/知识四层概念与典型 KG 全景

KG 的骨架：RDF / 属性图 / OWL 三类符号化表示，以及用表示学习把符号变向量的路线

三类数据源（结构化/半结构化/非结构化）的抽取全景：实体、关系、事件，方法演进谱

从 Web / 百科 / 表格里挖实体：包装器、百科 infobox 抽取与 D2R 工具链

从纯文本里挖实体与关系：特征模板 → 核函数 → 神经网络 → 远程监督 → 联合抽取

实体识别前沿：MRC 式 NER、字典增强、LLM 抽取与 KG 构建中的范式转变

多源 KG 怎么合并：本体融合、实体对齐、实体消歧、共指消解

三元组库 vs 图数据库、Neo4j 等代表系统、语义检索与 SPARQL / Cypher 查询

符号化推理三路：本体推理、图结构推理、概率/统计推理

表示学习基础：TransE 思想、损失函数、负采样，以及 TransH / TransR / TransD 的动机

复杂关系建模：Trans 系列扩展、双线性（DistMult/ComplEx）、图神经网络（R-GCN/CompGCN）

KG 落地场景：语义搜索、智能问答、推荐系统、金融风控、医疗决策、辅助大模型

期末考点串讲与复习要点：高频简答、计算题套路、易错点速查